Możliwości wykorzystania sztucznej inteligencji w konstrukcjach stalowych

• Autorzy: Zamorowski Jan , Gremza Grzegorz

Identyfikatory

DOI

10.5604/01.3001.0055.1610

Warianty tytułu

EN

Possibilities of using artificial intelligence in steel structures

• Języki publikacji: PL

Abstrakty

PL

Konstrukcje stalowe, jako istotny element współczesnej inżynierii lądowej, stwarzają liczne możliwości integracji technologii sztucznej inteligencji (SI) – od optymalizacji technicznej, przez zarządzanie procesami, po monitoring stanu technicznego. Celem niniejszego artykułu jest przedstawienie i analiza aktualnych oraz potencjalnych zastosowań SI w obszarze konstrukcji stalowych. Zaprezentowano klasyfikację wybranych metod SI, omówiono ich wykorzystanie w projektowaniu, analizie, montażu oraz monitoringu konstrukcji stalowych, a także wskazano kluczowe wyzwania i możliwe kierunki dalszego rozwoju.

EN

Steel structures, as a significant part of modern civil engineering, offer numerous opportunities for the integration of artificial intelligence (AI) technologies – ranging from technical optimization and process management to structural health monitoring. This article aims to present and analyze current and potential applications of AI in the domain of steel structures. It provides a classification of selected AI methods, explores their use in the design, analysis, assembly, and monitoring of steel structures, and discusses key challenges along with potential directions for future development.

Słowa kluczowe

PL

sztuczna inteligencja; uczenie maszynowe; projektowanie generatywne; utrzymanie predykcyjne; automatyzacja; konstrukcja stalowa

EN

artificial intelligence; machine learning; generative design; predictive maintenance; automation; steel construction

• Wydawca: Fundacja Polskiego Związku Inżynierów i Techników Budownictwa
• Czasopismo: Inżynieria i Budownictwo
• Rocznik: 2025
• Tom: R. 81, nr 3
• Strony: 305--312
• Opis fizyczny: Bibliogr. 47 poz.

Twórcy

autor

Zamorowski Jan

• Uniwersytet Bielsko-Bialski, Wydział Inżynierii Materiałów, Budownictwa i Środowiska

• https://orcid.org/0000-0003-4394-4821

autor

Gremza Grzegorz

• Politechnika Śląska, Wydział Budownictwa

• https://orcid.org/0000-0001-8336-8094

Bibliografia

• [1] Russell S.J., Norvig P.: Artificial Intelligence: A Modern Approach (4th ed.). Pearson 2020.
• [2] Zima K., Wieczorek D.: Przegląd możliwości wykorzystania sztucznej inteligencji w modelowaniu BIM. Przegląd Budowlany 2024 R. 95, nr 3 s. 59-65.
• [3] Abioye S.O., et al.: Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges. Journal of Building Engineering 44 (2021) 103299.
• [4] Sarfarazi S., et al.: Application of Artificial Intelligence to Support Design and Analysis of Steel Structures. Metals 2025, 15, 408.
• [5] Kaveh A.: Applications of Artificial Neural Networks and Machine Learning in Civil Engineering. Springer 2024.
• [6] Bilal M., et al.: Big Data in the construction industry: A review of present status, opportunities, and future trends. Advanced Engineering Informatics 30 (2016), s. 500-521.
• [7] Kumar G.S., Natarajan U., Ananthan S.S.: Vision inspection system for the identification and classification of defects in MIG welding joints. Int. J. Adv. Manuf. Technol. 2012, 61, s. 923-933.
• [8] Adamczak A.: Metoda detekcji wad spawalniczych w stanowisku zrobotyzowanym z wykorzystaniem głębokiej sieci neuronowej. Pomiary Automatyka Robotyka, R. 25, Nr 1/2021, s. 67-72.
• [9] Jaskó S., et al.: Development of manufacturing execution systems in accordance with Industry 4.0 requirements: A review of standard and ontology-based methodologies and tools. Computers in Industry 123 (2020) 103300.
• [10] Balaguer C., Abderrahim M.: Trends in Robotics and Automation in Construction. [w:] Robotics and Automation in Construction, ed. Carlos Balaguer, IntechOpen 2008.
• [11] Patel S.N., Patel N.M.: Current Developments in Human – Robot Cooperation and Sustainable Automation within the Construction Sector. International Journal of Science and Research (IJSR), 2022, s.579-584.
• [12] Kralj A., Skejić D.: Generative design of structural steel joints. Electronic Journal of the Faculty of Civil Engineering Osijek - e-GFOS, 2021, 12 (23), s. 22-32.
• [13] Soori M.: Artificial Intelligent in Optimization of Steel Moment Frame Structures. A Review. International Journal of Structural and Construction Engineering, Vol 18, No 3, 2024.
• [14] Kameshki E.S., Saka M.P.: Genetic algorithm based optimum bracing design of non-swaying tall plane frames. Journal of Constructional Steel Research 57 (10), s. 1081-1097.
• [15] Kameshki E.S., Saka M.P.: Genetic algorithm based optimum design of nonlinear planar steel frames with various semi-rigid connections. Journal of Constructional Steel Research 59 (1), 109-134 (2003).
• [16] Maheri A., Reza M.: Optimum Geometry Design of Plane Trusses Supporting Distributed Loads using Genetic Algorithms. The Ninth International Conference on the Application of Artificial Intelligence to Civil, Structural and Environmental Engineering, 2007.
• [17] Grygierek K.: Samoadaptacyjna metoda algorytmów genetycznych w optymalizacji przestrzennych kratownic. Modelowanie inżynierskie, nr 52, s. 80-86.
• [18] Rabijasz M.: Optymalizacja kształtu stalowych kratownic przy zastosowaniu genetycznych systemów uczących się. Rozprawa doktorska. Politechnika Śląska, Gliwice 2007.
• [19] Degertekin S.O., Saka M.P., Hayalioglu M.S.: Optimal load and resistance factor design of geometrically nonlinear steel space frames via tabu search and genetic algorithm. Engineering Structures 30 (1),197-205.
• [20] Ferreira F.P.V., et al.: Lateral-torsional buckling resistance prediction model for steel cellular beams generated by Artificial Neural Networks (ANN). Thin-Walled Struct 170 (2022): 108592.
• [21] Eshaghi C., et al.: Machine Learning Approach for Predicting Flexural Behavior Variations of I-Shaped Steel Beams due to Manufacturing Tolerances. COMPDYN 2023. 9th ECCOMAS Thematic Conference on Computational Methods in Structural Dynamics and Earthquake Engineering M. Papadrakakis, M. Fragiadakis (eds.) Athens, Greece, 12-14 June 2023.
• [22] Degtyarev V., Tsavdaridis K.D.: Buckling and ultimate load prediction models for perforated steel beams using machine learning algorithms. Journal of Building Engineering, 51 (2022), 104316.
• [23] Hamdallah A.R., Niemi A.H., Abdullah A.: Evaluation of machine learning techniques for capacity prediction of cold-formed steel beams subjected to bending. Rakenteiden Mekaniikka (Journal of Structural Mechanics) Vol. 57, No. 2, 2024, s. 43-64.
• [24] Samadian D., Muhit I.B., Dawood N.: Application of Data-Driven Surrogate Models in Structural Engineering: A Literature Review. Archives of Computational Methods in Engineering 32 (6), 2024.
• [25] Kudela J., Matousek R.: Recent advances and applications of surrogate models for finite element method computations: a review. Soft Computing (2022) 26, s. 13709-13733.
• [26] Łaziński P., i in.: Wykorzystanie badań pod próbnym obciążeniem w procesie tworzenia cyfrowych bliźniaków mostów. Inżynieria i Budownictwo 2023, R. 79, nr 7-8, s. 360-367.
• [27] Hütten N., et al.: Deep Learning for Automated Visual Inspection in Manufacturing and Maintenance: A Survey of Open-Access Papers. Appl. Syst. Innov. 2024, 7, 11.
• [28] Liu Y, et al.: Robotics in the Construction Sector: Trends, Advances, and Challenges. Journal of Intelligent & Robotic Systems (2024) 110:72.
• [29] Islam M.M., et al.: Robotics and automation in construction management review focus: The application of robotics and automation technologies in construction. Journal of Next-Gen Engineering Systems, 2025; 2 (01): 48-71.
• [30] Application of Robots to the Construction Sites. Takenaka technical research report No. 77 2021.
• [31] Sieńko R., Bednarski Ł.: Monitorowanie bezpieczeństwa konstrukcji stalowych przy wykorzystaniu różnych technik pomiarowych. [W:] Konstrukcje metalowe, posadzki przemysłowe, lekka obudowa, rusztowania. Tom II: Materiały, identyfikacja i diagnostyka wzmacnianych konstrukcji stalowych. Wyd. UBB, Bielsko-Biała 2025, s.347-410.
• [32] Plevris V., Papazafeiropoulos G.: Al in Structural Health Monitoring for Infrastructure Maintenance and Safety. Infrastructures 2024, 9, 225.
• [33] Cha Y., et al.: Deep learning-based structural health monitoring. Automation in Construction 161 (2024), 105328.
• [34] Taheri H., Gonzalez Bocanegra M., Taheri M.: Artificial Intelligence, Machine Learning and Smart Technologies for Nondestructive Evaluation. Sensors 2022, 22, 4055.
• [35] Miao P.: Prediction-Based Maintenance of Existing Bridges Using Neural Network and Sensitivity Analysis. Advances in Civil Engineering Volume 2021, issue 1, Article ID 4598337.
• [36] Liu Z., et al.: Intelligent Prediction Method for Operation and Maintenance Safety of Prestressed Steel Structure Based on Digital Twin Technology. Advances in Civil Engineering Volume 2021, Article ID 6640198.
• [37] Hu W.: Digital twin and Al enabled predictive maintenance in building industry. Praca doktorska, Nanyang Technological University, Singapore 2024.
• [38] Gbagba S., Maccioni L., Concli F.: Advances in Machine Learning Techniques Used in Fatigue Life Prediction of Welded Structures. Appl. Sci. 2024, 14, 398.
• [39] Peng-hao D., et al.: Fatigue damage prognosis of orthotropic steel deck based on data-driven LSTM. Journal of Constructional Steel Research, Volume 202, 2023, 107777.
• [40] Peng A., et al: Digital twin-driven framework for fatigue life prediction of welded structures considering residual stress. International Journal of Fatigue, Vol. 181, April 2024, 108144.
• [41] Shi L., Ding Y., Cheng B.: Development and Application of Digital Twin Technique in Steel Structures. Appl. Sci. 2024, 14, 11685.
• [42] Katunin A.: Cyfrowe bliźniaki - odpowiedź na współczesne wyzwania przemysłu. Przegląd Techniczny: Gazeta Inżynierska, nr 11/2024, s.14-15.
• [43] Doshi-Velez F., Kim B., Towards A.: Rigorous Science of Interpretable Machine Learning. arXiv preprint arXiv: 1702.08608, 2017.
• [44] Arrieta A.B., et al.: Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible Al. Information Fusion Volume 58, June 2020, s. 82-115.
• [45] Love P.E.D., et al.: Explainable artificial intelligence (XAI): Precepts, models, and opportunities for research in construction. Advanced Engineering Informatics Volume 57, August 2023, 102024.
• [46] Floridi L., et al.: (2018). AI4People - An Ethical Framework for a Good Al Society. Minds and Machines, 28 (4), s. 689-707.
• [47] Woźniak Z., Nowobilski T.: Current Research Directions on the Application of Artificial Intelligence in Construction in the Context of Occupational Safety. Materiały Budowlane 2025 nr 3, s. 18-25.